❶ 智能運維是什麼
得益於IT外包服務的發達，現在的運維已經不包括搬機器上架、接網線、安裝操作系統等基礎工作，運維人員一般會從一台已安裝好指定版本的操作系統、分配好IP地址和賬號的伺服器入手，工作范圍大致包括：伺服器管理（操作系統層面，比如重啟、下線）、軟體包管理、代碼上下線、日誌管理和分析、監控（區分系統、業務）和告警、流量管理（分發、轉移、降級、限流等），以及一些日常的優化、故障排查等。
隨著業務的發展、伺服器規模的擴大，才及雲化（公有雲和混合雲）、虛擬化的逐步落實，運維工作就擴展到了容量管理、彈性（自動化）擴縮容、安全管理，以及（引入各種容器、開源框架帶來的復雜度提高而導致的）故障分析和定位等范圍。
聽上去每一類工作都不簡單。不過，好在這些領域都有成熟的解決方案、開源軟體和系統，運維工作的重點就是如何應用好這些工具來解決問題。
傳統的運維工作經過不斷發展（伺服器規模的不斷擴大），大致經歷了人工、工具和自動化、平台化和智能運維（AIOps）幾個階段。這里的AIOps不是指Artificial Intelligence for IT Operations，而是指Algorithmic IT Operations（基於Gartner的定義標准）。
基於演算法的IT運維，能利用數據和演算法提高運維的自動化程度和效率，比如將其用於告警收斂和合並、Root分析、關聯分析、容量評估、自動擴縮容等運維工作中。
在Monitoring（監控）、Service Desk（服務台）、Automation（自動化）之上，利用大數據和機器學習持續優化，用機器智能擴展人類的能力極限，這就是智能運維的實質含義。
智能運維具體的落地方式，各團隊也都在摸索中，較早見效的是在異常檢測、故障分析和定位（有賴於業務系統標准化的推進）等方面的應用。智能運維平台邏輯架構如圖所示。
智能運維平台邏輯架構圖
智能運維決不是一個跳躍發展的過程，而是一個長期演進的系統，其根基還是運維自動化、監控、數據收集、分析和處理等具體的工程。人們很容易忽略智能運維在工程上的投入，認為只要有演算法就可以了，其實工程能力和演算法能力在這里同樣重要。
智能運維需要解決的問題有：海量數據存儲、分析、處理，多維度，多數據源，信息過載，復雜業務模型下的故障定位。這些難題是否會隨著智能運維的深入應用而得到一定程度的解決呢？我們會在下一篇文章中逐步展開這些問題，並提供一些解決方案。
本文選自《智能運維：從0搭建大規模分布式AIOps系統》，作者彭冬、朱偉、劉俊等，電子工業出版社2018年7月出版。
本書結合大企業的智能運維實踐，全面完整地介紹智能運維的技術體系，讓讀者更加了解運維技術的現狀和發展。同時，幫助運維工程師在一定程度上了解機器學習的常見演算法模型，以及如何將它們應用到運維工作中。
❷ 一文讀懂工業大數據的脈絡
一文讀懂工業大數據的脈絡
工業大數據不同於大數據，具有自己獨特的特徵。本文著重從工業大數據的定義與范疇、來源、特徵、技術及應用領域、面臨的問題等，全面剖析工業大數據的方方面面，讓你一文讀懂工業大數據的脈絡！
工業大數據是指在工業領域中，圍繞典型智能製造模式，從客戶需求到銷售、到訂單、計劃、研發、設計、工藝、製造、采購、供應、庫存、發貨和交付、售後服務、運維、報廢或回收再製造等整個產品全生命各個環節所產生的各類數據及相關技術和應用的總稱，其以產品數據為核心，極大延展了傳統工業數據范圍，同時還包括工業大數據相關技術和應用。
——工業大數據來源——
我們所談的工業大數據，不完全等同於企業信息化軟體中流淌的數據，從業界的共識看，主要來源有三類，第一類是企業經營相關的業務數據，這類數據來自企業信息化范疇，包括企業資源計劃（ERP）、產品生命周期管理（PLM）、供應鏈管理（SCM）、客戶關系管理（CRM）和環境管理系統（EMS）等，此類數據是工業企業傳統的數據資產。
第二類是機器設備互聯數據，主要是指工業生產過程中，裝備、物料及產品加工過程的工況狀態、環境參數等運營情況數據，通過MES系統實時傳遞，目前在智能裝備大量應用的情況下，此類數據量增長最快。
第三類是企業外部數據，這包括了工業企業產品售出之後的使用、運營情況的數據，同時還包括了大量客戶、供應商、互聯網等數據狀態。
——工業大數據特徵——
筆者曾就工業大數據特徵及數據驅動工業價值創造等話題，專門采訪過工業大數據領域知名專家——美國科學基金會（NSF）智能維護系統（IMS）中心主任李傑教授，他表示：工業大數據與互聯網大數據最大的區別在於工業大數據有非常強的目的性，而互聯網大數據更多的是一種關聯的挖掘，是更加發散的一種分析。
除此之外，兩者在數據的特徵和面臨的問題方面也有不同。有別於互聯網大數據，工業大數據的分析技術核心要解決「3B」問題：
1）Below Surface —— 隱匿性，即需要洞悉背後的意義
工業環境中的大數據與互聯網大數據相比，最重要的不同在於對數據特徵的提取上面，工業大數據注重特徵背後的物理意義以及特徵之間關聯性的機理邏輯，而互聯網大數據則傾向於僅僅依賴統計學工具挖掘屬性之間的相關性。
2）Broken —— 碎片化，即需要避免斷續、注重時效性
相對於互聯網大數據的量，工業大數據更注重數據的全，即面向應用要求具有盡可能全面的使用樣本，以覆蓋工業過程中的各類變化條件、保障從數據中能夠提取以反映對象真實狀態的信息全面性。因此，工業大數據一方面需要在後端的分析方法上克服數據碎片化帶來的困難，利用特徵提取等手段將這些數據轉化為有用的信息，另一方面，更是需要從數據獲取的前端設計中以價值需求為導向制定數據標准，進而在數據與信息流通的平台中構建統一的數據環境。
3）Bad Quality —— 低質性，即需要提高數據質量、滿足低容錯性
數據碎片化缺陷來源的另一方面也顯示出對於數據質量的擔憂，即數據的數量並無法保障數據的質量，這就可能導致數據的低可用率，因為低質量的數據可能直接影響到分析過程而導致結果無法利用，但互聯網大數據則不同，其可以只針對數據本身做挖掘、關聯而不考慮數據本身的意義，即挖掘到什麼結果就是什麼結果，最典型的就是經過超市購物習慣的數據挖掘後啤酒貨架就可以擺放在尿不濕貨架的對面，而不用考慮他們之間有什麼機理性的邏輯關系；
換句話說，相比於互聯網大數據通常並不要求有多麼精準的結果推送，工業大數據對預測和分析結果的容錯率遠遠比互聯網大數據低的多。互聯網大數據在進行預測和決策時，僅僅考慮的是兩個屬性之間的關聯是否具有統計顯著性，其中的雜訊和個體之間的差異在樣本量足夠大時都可以被忽略，這樣給出的預測結果的准確性就會大打折扣。比如當我覺得有70％的顯著性應該給某個用戶推薦A類電影，即使用戶並非真正喜歡這類電影也不會造成太嚴重的後果。但是在工業環境中，如果僅僅通過統計的顯著性給出分析結果，哪怕僅僅一次的失誤都可能造成嚴重的後果。
——工業大數據技術：演算法與模型——
有了工業數據的大量積累，但並不等於直接的商業收益，中間隔著一道非常關鍵的通道——工業大數據技術。近幾年，很多大數據專家和行業專家也在爭執：數據量重要還是大數據演算法更重要，雙方各執一詞。比如Googole就認為數據量的多寡至關重要，甚至直言：更多的數據勝過更好的演算法。這種觀點與我們意識認知中的「信息越多，就越靠近真相」類似。
而如《The Signal and the Noise》（信號與雜訊，作者NateSilver），這本書裡面的一個觀點是「更多的數據意味著更多的雜訊。信號是真相，雜訊卻使我們離真相越來越遠。」所以，人們需要構建有效的演算法和模型，去識別和認知何為真相。
在這里暫不討論到底是數據量重要還是演算法模型更重要，但針對工業大數據的有效利用，肯定離不開工業大數據的分析技術。
——工業大數據應用領域（場景）——
一、研發設計：主要用於提高研發人員的研發創新能力，研發效率和質量，支持協同設計，具體體現在：（1）、基於模型和模擬的研發設計；（2）、基於產品生命周期的設計；（3）、融合消費者反饋的設計
二、在復雜生產過程優化的應用：（1）、工業物聯網生產線；（2）、生產質量控制；（3）、生產計劃與排程；
三、在產品需求預測中的應用
四、在工業供應鏈優化中的應用
——工業大數據應用發展存在的主要問題——
《工業大數據白皮書2017年版》指出，研究與應用工業大數據，產品大數據是核心，物聯大數據是實現手段，集成貫通是基礎（業務模式、商業和價值驅動、關鍵抽取和應用）。而在實踐過程中，這三個方面都存在不同程度的難點。
《工業大數據白皮書2017年版》封面
1、產品大數據：產品大數據是工業大數據的根源與核心，但工業製造業領域涵蓋十分廣泛，行業種類繁多，產品種類數量龐大且仍在不斷增長，如何規范產品大數據的定義與分類方法，建立規范的、屬性明確的、可查詢可追溯可定位的產品大數據，將是順利應用工業大數據的前提。
2、物聯接入設備：物聯大數據是實現工業大數據暢通流動的必要手段，但在工業實際應用中，工業軟體、高端物聯設備不具備國產自主可控性，物聯接入的高端設備的讀寫不開放，形成設備信息的孤島，數據流通不暢，突破這種束縛是實現工業大數據的關鍵。
3、信息集成貫通：集成貫通的難點在於商業驅動、打通關鍵點和環節，掌控產品源和設備，持續優化。
❸ 智能設備運行與維護和大數據應用哪個好
大數據應用。
智能化運維工程師的工資一般低於大數據運維工程師。
目前大數據相關技術已經趨於成熟，相關的理論體系已經逐步完善，而智能設備運維尚處在行業發展的初期，理論體系依然有巨大的發展空間。從學習的角度來說，如果從大數據開始學習是個不錯的選擇，從大數據過渡到智能設備運維也會相對比較容易。